| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·引言 | 第7页 |
| ·脑电信号的研究发展与现状 | 第7-8页 |
| ·支持向量机的研究现状 | 第8-10页 |
| ·论文的框架及主要工作 | 第10-12页 |
| ·论文的框架 | 第10-11页 |
| ·论文的主要工作 | 第11-12页 |
| 第二章 非线性动力学理论 | 第12-17页 |
| ·混沌理论 | 第12-14页 |
| ·混沌的特征 | 第12-13页 |
| ·混沌与时空混沌 | 第13-14页 |
| ·相空间重构 | 第14-16页 |
| ·本章小结 | 第16-17页 |
| 第三章 统计学习理论与支持向量机 | 第17-32页 |
| ·学习理论的发展 | 第17-19页 |
| ·Rosenblatt的感知器(20 世纪60 年代) | 第17页 |
| ·学习理论基础的创立(20 世纪60-70 年代) | 第17-18页 |
| ·神经网络的创立(20 世纪80 年代) | 第18页 |
| ·回到起点—统计学习理论(20 世纪90 年代至今) | 第18-19页 |
| ·机器学习问题与方法 | 第19-20页 |
| ·机器学习问题的表示 | 第19页 |
| ·经验风险最小化原则 | 第19-20页 |
| ·统计学习理论 | 第20-23页 |
| ·学习过程的一致性条件 | 第21页 |
| ·VC维 | 第21-22页 |
| ·结构风险最小化原则 | 第22-23页 |
| ·支持向量机 | 第23-29页 |
| ·基本原理 | 第24-26页 |
| ·支持向量回归的基本原理 | 第26-27页 |
| ·核函数的选择 | 第27-28页 |
| ·支持向量机与神经网络的比较 | 第28-29页 |
| ·实验仿真 | 第29-31页 |
| ·仿真数据的产生 | 第29-30页 |
| ·支持向量机方法与神经网络方法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 局域小波支持向量回归模型 | 第32-43页 |
| ·支持向量机的训练方法 | 第32-35页 |
| ·基于不等式约束的SVM算法 | 第32-34页 |
| ·块算法 | 第32-33页 |
| ·分解算法 | 第33-34页 |
| ·序贯最小优化算法 | 第34页 |
| ·基于等式约束的SVM算法 | 第34-35页 |
| ·局域支持向量回归 | 第35-37页 |
| ·实验仿真 | 第37-41页 |
| ·基于不等式约束和等式约束的局域SVM预测算法 | 第37-39页 |
| ·耦合映像格子中耦合强度对模型预测性能的影响 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 第五章 多分辨小波支持向量回归模型 | 第43-51页 |
| ·小波支持向量机 | 第43-45页 |
| ·多分辨支持向量回归模型 | 第45-47页 |
| ·实验仿真 | 第47-50页 |
| ·小波核 VS.高斯核 | 第47-49页 |
| ·多分辨支持向量回归模型 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 模型在脑电预测中的应用 | 第51-57页 |
| ·脑电信号的采集 | 第51-53页 |
| ·基于局部法的多分辨小波SVM模型在真实脑电预测中的应用 | 第53页 |
| ·模型在癫痫脑电信号检测中的应用 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第七章 总结和展望 | 第57-59页 |
| ·总结 | 第57-58页 |
| ·展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间发表的论文 | 第63-64页 |
| 致谢 | 第64-65页 |
| 个人简介 | 第65页 |
